특정 상황에서 무작위 시험을 수행하기 어려운 경우, 전자 건강 기록(EHR)을 사용하여 목표 시험을 모사하고 개입의 인과적 효과를 추정할 수 있습니다. 이 과정에는 가설적 시험 프로토콜의 요소를 지정하고 이를 EHR 데이터(또는 다른 관찰 데이터 소스)로 수행된 관찰 연구의 설계에 적용하는 것이 포함됩니다. 목표 시험 명세의 한 요소는 자격 기준을 정의하는 것입니다. 하지만 EHR로 자격 인구를 정의하는 것은 자격 정의 변수가 누락됨으로써 복잡해질 수 있습니다. 다중 대체(MI)는 EHR 데이터의 누락에 대한 일반적인 접근 방법 중 하나이지만, 자격 기준의 대체가 자격이 없는 개인을 배제하기 전에 또는 이후에 이루어져야 하는지는 명확하지 않습니다. 진행성 유방암 치료에 대한 목표 시험 모사를 통해 동기 부여를 받아, 우리는 생존 결과와 함께 목표 시험 프레임워크에서 평균 인과 효과를 추정할 때 이 질문을 탐구합니다. 우리는 대체 MI 전략이 시뮬레이션된 데이터 및 실제 종양학 EHR 데이터 분석에서 어떻게 수행되는지를 설명합니다. 자격 정의 변수에서 높은 비율의 누락이 있는 대부분의 상황에서, 자격이 없는 개인을 배제하기 전에 무작위 숲과 같은 유연한 대체 모델을 사용하여 누락된 데이터를 대체하는 것이 완전 사례 분석이나 배제 후 대체보다 더 낮은 편향을 초래한다는 사실을 발견했습니다. 이러한 실용적 과제를 처리하는 방법에 대한 선택은 목표 시험 모사를 지저분한 실제 데이터 소스에 적용하는 데 있어 인과적 매개변수 추정에 상당한 영향을 미칠 수 있으며, 결과가 가능한 한 엄격하게 유지되도록 신중하게 고려되어야 합니다.
Building similarity graph...
Analyzing shared references across papers
Loading...
Jenny I. Shen
Kristin A. Linn
Amy S. Clark
Statistics in Medicine
University of Pennsylvania
Brown University
Hospital of the University of Pennsylvania
Building similarity graph...
Analyzing shared references across papers
Loading...
Shen 외(수), 이 질문을 연구했습니다.
www.synapsesocial.com/papers/69d895206c1944d70ce06164 — DOI: https://doi.org/10.1002/sim.70500
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: